本发明属于火灾检测，具体为一种基于轻量型yolov5-see模型的住宅火灾检测方法及系统。
背景技术：
1、目前，在火灾安全防护及检测的相关领域研究中，对于自然火灾已探索出了及时有效的监控和解决方法。但随着经济发展，城镇化、工业化的快速推进，居民火灾多发，造成了不可估量的损失。城市化进程的推进，建设规模日益增大，装修标准普遍提高、人员密集以及各种电气设备的频繁使用，导致住宅存在着较大的火灾隐患。同时建筑的楼梯间、排风道等通道较多，导致火焰一旦产生时就会迅速蔓延，造成巨大的损失。而传统火灾检测方法大多采用传感器方式，易受周围环境影响，导致火灾检测准确率低。
技术实现思路
1、发明目的：为解决传统火灾检测方法存在的火灾检测准确率低的问题，本发明提出了一种基于轻量型yolov5-see模型的住宅火灾检测方法及系统，实现在火焰或烟雾发生的第一时间迅速辨别并发出警告来提醒用户进行逃离，保障了住户的人身安全和财产安全。
2、技术方案：一种基于轻量型yolov5-see模型的住宅火灾检测方法，包括以下步骤：
3、获取待进行住宅火灾检测的图像；
4、将待进行住宅火灾检测的图像输入至训练好的轻量型yolov5-see模型中，得到火灾检测结果；
5、其中，所述的轻量型yolov5-see模型由输入端、主干网络、颈部网络层和头部检测终端组成，其中，所述主干网络用于实现特征提取，所述颈部网络层用于实现特征融合，所述头部检测终端用于输出火灾检测结果；
6、所述主干网络依次由cbrm模块、第一shuffle模块、第二shuffle模块、第三shuffle模块、第四shuffle模块、第五shuffle模块、第六shuffle模块、第一cbs模块、eca模块和sppf模块构成；
7、所述颈部网络层依次由第二cbs模块、第一上采样模块、第一concat层、第一csp模块、第三cbs模块、第二上采样模块、第二concat层、第二csp模块、第四cbs模块、第三concat层、第三csp模块、第五cbs模块、第四concat层、第四csp模块；主干网络中的sppf模块的输出与第二cbs模块的输入连接，主干网络中的第二shuffle模块的输出同时输入至第二concat层，主干网络中的第四shuffle模块的输出同时输入至第一concat层，颈部网络层中的第二cbs模块的输出同时输入至第四concat层，颈部网络层中的第三cbs模块的输出同时输入至第三concat层；
8、颈部网络层中的第二csp模块的输出同时输入至头部检测终端，颈部网络层中的第三csp模块的输出同时输入至头部检测终端，颈部网络层中的第四csp模块的输出同时输入至头部检测终端；
9、所述第一csp模块、第二csp模块、第三csp模块和第四csp模块均由第六cbs模块、第七cbs模块、第八cbs模块、第九cbs模块和第五concat层；第六csp模块的输出与第七csp模块的输入连接，第七csp模块的输出与第五concat层的输入连接，第八cbs模块的输入与第六csp模块的输入相同，且第八cbs模块的输出也与第五concat层的输入连接，第五concat层的输出与第九cbs模块的输入连接；
10、每个所述shuffle模块采用通道分割技术，将输入通道分成2个分支，一个分支做恒等映射，另一个分支经过多层卷积，2个分支的输出使用通道级联concatenate操作；
11、所述sppf模块首先对输入特征图进行不同大小的池化操作，然后将这些不同大小的特征图连接在一起，并通过全连接层进行降维，最终生成融合后的特征向量。
12、进一步的，每个cbs模块均依次包括conv、batch normalization和silu激活函数。
13、进一步的，在所述sppf模块内部，执行以下步骤：
14、首先使用第十cbs模块进行初步特征提取，得到特征图；
15、经过第十cbs模块后，特征图进入多个并行的maxpool操作，每个maxpool操作采用不同大小的池化核，用于捕获不同尺度的特征；
16、所有并行的maxpool操作的输出将被串联起来，得到串联后的特征图；
17、串联后的特征图会再经过一到两个cbs模块进行进一步的特征提取和维度调整，最终输出与输入相同尺寸的特征图。
18、进一步的，在训练轻量型yolov5-see模型时，采用的损失函数表示为：
19、
20、式中，iou表示预测框与目标框的交并比，ρ2(b,bgt)表示预测框和真实框之间的欧式距离，b与bgt分别表示预测框和真实框，c表示同时包含预测框和真实框的最小闭包区域的角线距离，w与h表示宽和高，wgt和hgt表示预测宽和高，cw和ch分别是两个矩形的闭包的宽和高。
21、本发明公开了一种基于轻量型yolov5-see模型的住宅火灾检测系统，包括：
22、图像采集单元，用于获取待进行住宅火灾检测的图像；
23、火灾检测单元，用于将待进行住宅火灾检测的图像输入至训练好的轻量型yolov5-see模型中，得到火灾检测结果；
24、其中，所述的轻量型yolov5-see模型由输入端、主干网络、颈部网络层和头部检测终端组成，其中，所述主干网络用于实现特征提取，所述颈部网络层用于实现特征融合，所述头部检测终端用于输出火灾检测结果；
25、所述主干网络依次由cbrm模块、第一shuffle模块、第二shuffle模块、第三shuffle模块、第四shuffle模块、第五shuffle模块、第六shuffle模块、第一cbs模块、eca模块和sppf模块构成；
26、所述颈部网络层依次由第二cbs模块、第一上采样模块、第一concat层、第一csp模块、第三cbs模块、第二上采样模块、第二concat层、第二csp模块、第四cbs模块、第三concat层、第三csp模块、第五cbs模块、第四concat层、第四csp模块；主干网络中的sppf模块的输出与第二cbs模块的输入连接，主干网络中的第二shuffle模块的输出同时输入至第二concat层，主干网络中的第四shuffle模块的输出同时输入至第一concat层，颈部网络层中的第二cbs模块的输出同时输入至第四concat层，颈部网络层中的第三cbs模块的输出同时输入至第三concat层；
27、颈部网络层中的第二csp模块的输出同时输入至头部检测终端，颈部网络层中的第三csp模块的输出同时输入至头部检测终端，颈部网络层中的第四csp模块的输出同时输入至头部检测终端；
28、所述第一csp模块、第二csp模块、第三csp模块和第四csp模块均由第六cbs模块、第七cbs模块、第八cbs模块、第九cbs模块和第五concat层；第六csp模块的输出与第七csp模块的输入连接，第七csp模块的输出与第五concat层的输入连接，第八cbs模块的输入与第六csp模块的输入相同，且第八cbs模块的输出也与第五concat层的输入连接，第五concat层的输出与第九cbs模块的输入连接；
29、每个所述shuffle模块采用通道分割技术，将输入通道分成2个分支，一个分支做恒等映射，另一个分支经过多层卷积，2个分支的输出使用通道级联concatenate操作；
30、所述sppf模块首先对输入特征图进行不同大小的池化操作，然后将这些不同大小的特征图连接在一起，并通过全连接层进行降维，最终生成融合后的特征向量。
31、进一步的，每个cbs模块均依次包括conv、batch normalization和silu激活函数。
32、进一步的，在所述sppf模块内部，执行以下步骤：
33、首先使用第十cbs模块进行初步特征提取，得到特征图；
34、经过第十cbs模块后，特征图进入多个并行的maxpool操作，每个maxpool操作采用不同大小的池化核，用于捕获不同尺度的特征；
35、所有并行的maxpool操作的输出将被串联起来，得到串联后的特征图；
36、串联后的特征图会再经过一到两个cbs模块进行进一步的特征提取和维度调整，最终输出与输入相同尺寸的特征图。
37、进一步的，在训练轻量型yolov5-see模型时，采用的损失函数表示为：
38、
39、式中，iou表示预测框与目标框的交并比，ρ2(b,bgt)表示预测框和真实框之间的欧式距离，b与bgt分别表示预测框和真实框，c表示同时包含预测框和真实框的最小闭包区域的角线距离，w与h表示宽和高，wgt和hgt表示预测宽和高，cw和ch分别是两个矩形的闭包的宽和高。
40、有益效果：本发明与现有技术相比，具有以下优点：
41、(1)本发明通过对主干网络替换、注意力机制的添加以及损失函数的优化操作对模型进行优化改进，在保证识别性能前提下，对火灾检测模型进行有效轻量化，使模型更加适用于移动端和嵌入式设备部署；
42、(2)本发明在自行构建的数据集上，平均检测精度map@0.5达到了95.9％，与现有yolov5模型性能相比，检测速度fps提高了17.7帧每秒，计算量gflops减少了84.38％，参数减少了76.2％，达到了轻量化的要求；
43、(3)本发明相较传统的火灾方法，在保持较高检测精度的同时，模型参数更少，为移动端火灾检测部署提供了理论基础。本发明除了对图像检测外还可以对视频解析，将采集到的视频流解析并提取出其中的图像帧，以便后续处理和分析，并部署摄像探头，安装摄像探头，对图像进行实时采集，实现实时检测任务。使用基于pyqt5的目标检测平台来实现上传图片检测、视频检测、摄像头检测的功能。同时，利用摄像头检测的功能对周围场景中产生的火情实时把控，当住宅火灾检测系统检测到火焰时，触发报警机制，报警设备应能够及时发出语音信号，与系统无缝连接，保证系统的及时性和准确性；
44、(4)本发明方法能实现自动监控火灾，具有更短响应、更广监控范围、更多信息获取等优势，火灾检测能力和效果大幅度提升；
45、(5)本发明方法具有快速检测、降低成本、更好的应对检测环境杂乱等优点，也能够解决传统火灾监测准确率偏低和漏报率偏高等问题。
1.一种基于轻量型yolov5-see模型的住宅火灾检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于轻量型yolov5-see模型的住宅火灾检测方法，其特征在于：每个cbs模块均依次包括conv、batch normalization和silu激活函数。
3.根据权利要求1所述的一种基于轻量型yolov5-see模型的住宅火灾检测方法，其特征在于：在所述sppf模块内部，执行以下步骤：
4.根据权利要求1所述的一种基于轻量型yolov5-see模型的住宅火灾检测方法，其特征在于：在训练轻量型yolov5-see模型时，采用的损失函数表示为：
5.一种基于轻量型yolov5-see模型的住宅火灾检测系统，其特征在于：包括：
6.根据权利要求5所述的一种基于轻量型yolov5-see模型的住宅火灾检测系统，其特征在于：每个cbs模块均依次包括conv、batch normalization和silu激活函数。
7.根据权利要求5所述的一种基于轻量型yolov5-see模型的住宅火灾检测系统，其特征在于：在所述sppf模块内部，执行以下步骤：
8.根据权利要求5所述的一种基于轻量型yolov5-see模型的住宅火灾检测系统，其特征在于：在训练轻量型yolov5-see模型时，采用的损失函数表示为：
